一种基于可解释的机器学习的新型高性能名录,用于根据第一天ICU入院的临床特征在30天内预测中风患者的死亡风险

科学领域:

• 临床信息学 临床信息学
• 机器学习在医学中的应用
• 脑卒中研究 脑卒中研究

背景情况:

• 预测入住重症监护室 (ICU) 的中风患者的30天死亡率对于及时干预至关重要.
• 现有的预测模型可能缺乏准确性或可解释性.

研究的目的:

• 开发一种高性能,可解释的脑电图,用于预测中风患者30天死亡率.
• 确定关键的临床特征及其在ICU入院时风险分层的门.

主要方法:

• 利用MIMIC IV和III数据库来获取中风患者的数据.
• 采用LightGBM和Shapley的添加式解释 (EML) 来进行特征选择和切线定义.
• 使用考克斯回归和卡普兰-梅尔生存分析验证了选定的特征和名图.

主要成果:

• 使用EML确定了10个关键临床变量 (例如,SOFA,葡萄糖,年龄,SpO2) 和它们的切断点.
• 基于EML的诺米图在预测30天死亡率方面明显优于传统的诺米图.
• 在整体和个体风险分层方面,表现有所改善,特别是在特定的患者子组中.

结论:

• 这10个确定的临床特征对于监测ICU中风患者至关重要.
• 可解释的基于机器学习的名图为预测中风患者的结果提供了增强的临床实用性.